Lassen Sie uns gemeinsam die richtigen KI-Lösungen für Ihr Unternehmen identifizieren und implementieren.
Die COVID-19-Pandemie erforderte beispiellose Geschwindigkeit in der Wirkstoffentwicklung, da traditionelle Zeiträume für antivirale Mittel von der Entdeckung bis zur Zulassung typischerweise 5–10 Jahre betrugen. Pfizer stand unter enormem Druck, potente, orale Inhibitoren gegen die SARS-CoV-2-Hauptprotease (Mpro) zu identifizieren, die für die virale Replikation entscheidend ist. Konventionelles strukturbasiertes Design beruhte auf arbeitsintensiver Kristallographie, Molekulardynamik-Simulationen und iterativer chemischer Synthese und war oft durch langsame Trefferidentifikation und Optimierungszyklen ausgebremst.[2]
Zu den zentralen Herausforderungen gehörten die Erzeugung hochwertiger Protein-Ligand-Strukturen, die genaue Vorhersage von Bindungsaffinitäten und das Design neuartiger Moleküle, die Resistenzmechanismen entgehen — und das alles unter extremen Zeitdruck. Mit weltweit stark ansteigenden Fallzahlen konnten Verzögerungen Millionen von Leben kosten, weshalb beschleunigte Rechenpipelines ohne Abstriche bei Sicherheit oder Wirksamkeit dringend nötig waren.[1]
Pfizer setzte Machine-Learning-(ML)-Modelle ein, die in strukturbasierte Wirkstoffdesign-Workflows integriert wurden, um diese Hürden zu überwinden. ML-Algorithmen analysierten Kryo-EM- und Röntgen-Proteinstrukturen von Mpro und ermöglichten schnelle virtuelle Screenings von Millionen von Verbindungen sowie die generative Gestaltung optimierter Inhibitoren. Ergänzt wurde dies durch KI-gestützte Molekulardynamik und Free-Energy-Perturbation-Berechnungen, die die Simulationszeiten drastisch verkürzten.[3]
Der Ansatz umfasste hybride ML-Physik-Modelle zur Vorhersage von Bindungsposen und Affinitätsbewertung, trainiert an umfangreichen Datensätzen aus Pfizers Bibliotheken. Iterative Design-Make-Test-Analyze-(DMTA)-Zyklen wurden beschleunigt, wobei KI die Priorisierung von Synthesen übernahm und experimentelle Iterationen reduzierte, indem sie sich auf Kandidaten mit hohem Potenzial konzentrierte.[4]
Buchen Sie eine kostenlose Beratung, um zu erfahren, wie KI Ihre spezifischen Herausforderungen lösen kann.
Pfizers Umsetzung konzentrierte sich auf eine skalierbare ML-Plattform, die Deep Learning für Strukturvorhersage und generative gegnerische Netzwerke (GANs) für das Design neuartiger Moleküle kombinierte. Mit Modellen im Stil von AlphaFold und proprietären graphneuronalen Netzwerken (GNNs) modellierten sie die Dynamik des aktiven Zentrums von Mpro mit atomarer Präzision. Dies ermöglichte Docking-Simulationen, die bis zu 100x schneller waren als klassische Methoden.[1]
Wesentliche Komponenten umfassten:
Der Stack nutzte High-Performance-Computing (HPC)-Cluster mit NVIDIA-GPUs und Frameworks wie PyTorch und RDKit. Pfizers AI Sandbox ermöglichte schnelles Prototyping und wurde mit Schrödingers physikbasierten Tools für hybride Validierung integriert. Datenpipelines verwendeten föderiertes Lernen, um externe COVID-Datensätze sicher einzubinden.[3] Maßgeschneiderte ML-Modelle wurden auf Terabytes struktureller Daten trainiert und erreichten eine 90%ige Genauigkeit bei der Vorhersage von Bindungsaffinitäten gegenüber experimentellen Werten.
Januar 2020: Beginn der Pandemie löst Mpro-Strukturermittlung per Röntgen aus.[2]
März 2020: ML-gestützte virtuelle Screens identifizieren erste Hits.
April–Mai 2020: Iterative, ML-geführte Synthesen führen zum Nirmatrelvir-Kandidaten.
Juni 2020: Präklinische Einsatzbereitschaft in insgesamt 4 Monaten.
EPIC-HALO-Studie startet November 2020, EUA Dezember 2021.
Herausforderungen wie Datenknappheit wurden durch Transfer Learning von Flavivirus-Proteasen und aktive Lernschleifen, die Synthesen adaptiv abfragten, überwunden.
Bereichsübergreifende Teams aus über 50 Computational Chemists, ML-Ingenieuren und Biologen arbeiteten in agilen Sprints zusammen. Partnerschaften mit BioNTech (Vakzine) informierten antivirale Strategien, während Open-Source-Beiträge die Modell-Benchmarking beschleunigten.[5]
Diese durchgängige KI-Integration erfüllte nicht nur die Dringlichkeit der Pandemie, sondern lieferte auch eine Blaupause für zukünftige Ausbrüche.
Entdecken Sie, wie wir Ihnen bei der Implementierung ähnlicher Lösungen helfen können.
Quantitative Auswirkungen waren tiefgreifend: KI-Pipelines reduzierten Rechenchemiezyklen um 80–90%, von Wochen auf Stunden pro Iteration, und ermöglichten die Testung von 10x mehr Designs. Die Gesamterfolgsquote in klinischen Programmen stieg auf 12%, deutlich über dem Branchendurchschnitt von 5–10%, dank präziser Priorisierung.[1]
Nach dem Markteintritt wurde Paxlovid von Millionen behandelt und erzielte 2022 über $18 Mrd. Umsatz, während die Wirksamkeit auch gegen Varianten ausgeweitet wurde. Das Framework stärkte Pfizers Pipeline, wobei KI zu über 20 Programmen beitrug. Herausforderungen wie Resistenz wurden durch ML-vorhergesagte Second‑Generation-Inhibitoren begegnet. Dieser Fall veranschaulicht die Rolle der KI in der Pharmaindustrie, die Kosten um Milliarden senkt und Zeitlinien dramatisch verkürzt.[4]
Founder & Partner
Reruption GmbH
Falkertstraße 2
70176 Stuttgart
Telefon